Właściwości węzła tcmnode | IBM Cloud Pak for Data as a Service

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

Właściwości węzła tcmnode

Last updated: 12 sty 2023

Właściwości węzła tcmnode

Ikona węzła TCM Modelowanie przyczynowe szeregów czasowych jest próbą wykrycia kluczowych zależności przyczynowych w danych o szeregach czasowych. W procesie takiego modelowania użytkownik określa zbiór szeregów przewidywanych i zbiór potencjalnych zmiennych wejściowych dla tych szeregów przewidywanych. Następnie procedura buduje autoregresyjny model każdego szeregu przewidywanego i uwzględnia tylko te zmienne wejściowe, które z przewidywanym szeregiem łączą najbardziej istotne relacje przyczynowe.

Tabela 1. właściwości węzła tcmnode
Właściwości węzła `tcmnode`	Wartości	Opis właściwości
`custom_fields`	Wartość boolowska
`dimensionlist`	[dimension1 ... dimensionN]
`data_struct`	`Multiple` `Single`
`metric_fields`	Pola
`both_target_and_input`	[f1 ... fN]
`targets`	[f1 ... fN]
`candidate_inputs`	[f1 ... fN]
`forced_inputs`	[f1 ... fN]
`use_timestamp`	`Timestamp` `Period`
`input_interval`	`None` `Unknown` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Hour_nonperiod` `Minute` `Minute_nonperiod` `Second` `Second_nonperiod`
`period_field`	łańcuch
`period_start_value`	liczba całkowita
`num_days_per_week`	liczba całkowita
`start_day_of_week`	`Sunday` `Monday` `Tuesday` `Wednesday` `Thursday` `Friday` `Saturday`
`num_hours_per_day`	liczba całkowita
`start_hour_of_day`	liczba całkowita
`timestamp_increments`	liczba całkowita
`cyclic_increments`	liczba całkowita
`cyclic_periods`	lista
`output_interval`	`None` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Minute` `Second`
`is_same_interval`	`Same` `Notsame`
`cross_hour`	Wartość boolowska
`aggregate_and_distribute`	lista
`aggregate_default`	`Mean` `Sum` `Mode` `Min` `Max`
`distribute_default`	`Mean` `Sum`
`group_default`	`Mean` `Sum` `Mode` `Min` `Max`
`missing_imput`	`Linear_interp` `Series_mean` `K_mean` `K_meridian` `Linear_trend` `None`
`k_mean_param`	liczba całkowita
`k_median_param`	liczba całkowita
`missing_value_threshold`	liczba całkowita
`conf_level`	liczba całkowita
`max_num_predictor`	liczba całkowita
`max_lag`	liczba całkowita
`epsilon`	Liczba
`threshold`	liczba całkowita
`is_re_est`	Wartość boolowska
`num_targets`	liczba całkowita
`percent_targets`	liczba całkowita
`fields_display`	lista
`series_dispaly`	lista
`network_graph_for_target`	Wartość boolowska
`sign_level_for_target`	Liczba
`fit_and_outlier_for_target`	Wartość boolowska
`sum_and_para_for_target`	Wartość boolowska
`impact_diag_for_target`	Wartość boolowska
`impact_diag_type_for_target`	`Effect` `Cause` `Both`
`impact_diag_level_for_target`	liczba całkowita
`series_plot_for_target`	Wartość boolowska
`res_plot_for_target`	Wartość boolowska
`top_input_for_target`	Wartość boolowska
`forecast_table_for_target`	Wartość boolowska
`same_as_for_target`	Wartość boolowska
`network_graph_for_series`	Wartość boolowska
`sign_level_for_series`	Liczba
`fit_and_outlier_for_series`	Wartość boolowska
`sum_and_para_for_series`	Wartość boolowska
`impact_diagram_for_series`	Wartość boolowska
`impact_diagram_type_for_series`	`Effect` `Cause` `Both`
`impact_diagram_level_for_series`	liczba całkowita
`series_plot_for_series`	Wartość boolowska
`residual_plot_for_series`	Wartość boolowska
`forecast_table_for_series`	Wartość boolowska
`outlier_root_cause_analysis`	Wartość boolowska
`causal_levels`	liczba całkowita
`outlier_table`	`Interactive` `Pivot` `Both`
`rmsp_error`	Wartość boolowska
`bic`	Wartość boolowska
`r_square`	Wartość boolowska
`outliers_over_time`	Wartość boolowska
`series_transormation`	Wartość boolowska
`use_estimation_period`	Wartość boolowska
`estimation_period`	`Times` `Observation`
`observations`	lista
`observations_type`	`Latest` `Earliest`
`observations_num`	liczba całkowita
`observations_exclude`	liczba całkowita
`extend_records_into_future`	Wartość boolowska
`forecastperiods`	liczba całkowita
`max_num_distinct_values`	liczba całkowita
`display_targets`	`FIXEDNUMBER` `PERCENTAGE`
`goodness_fit_measure`	`ROOTMEAN` `BIC` `RSQUARE`
`top_input_for_series`	Wartość boolowska
`aic`	Wartość boolowska
`rmse`	Wartość boolowska
`date_time_field`	field (pole)	Pole Godzina/Data
`auto_detect_lag`	Wartość boolowska	To ustawienie określa liczbę opóźnień dla każdej zmiennej wejściowej w modelu dla każdej zmiennej przewidywanej.
`numoflags`	Liczba całkowita	Domyślnie liczba opóźnień jest określana automatycznie na podstawie przedziału czasowego używanego do analizy.
`re_estimate`	Wartość boolowska	Jeśli wygenerowano już model przyczynowy szeregów czasowych, tę opcję należy wybrać, aby zamiast budowania nowego modelu, ponownie użyć ustawień kryteriów, jakie są określone dla tego modelu.
`display_targets`	`"FIXEDNUMBER"` `"PERCENTAGE"`	Domyślnie wynik jest wyświetlany dla zmiennych przewidywanych, które są powiązane z 10 najlepszymi modelami, określonymi na podstawie wartości R-kwadrat. Można określić inną stałą liczbę najlepszych modeli lub podać odsetek tych modeli.